
# Manipulation des données
import pandas as pd
import numpy as np

# Visualisation des données
import plotly.express as px
import matplotlib.pyplot as plt
%matplotlib inline


population = pd.read_csv("C:/Users/jorda/Data_P4/population.csv")
sous_nutrition = pd.read_csv("C:/Users/jorda/Data_P4/sous_nutrition.csv")
dispo = pd.read_csv("C:/Users/jorda/Data_P4/Dispo_alimentaire.csv")
aide = pd.read_csv("C:/Users/jorda/Data_P4/aide_alimentaire.csv")


population.head()


# On renomme les colonnes
population = population.rename(columns={"Zone": "Pays", "Valeur":"Population"})

# Conversion de la population
population['Population'] /= 1000


sous_nutrition.head()


# On renomme les colonnes
sous_nutrition = sous_nutrition.rename(columns={"Zone": "Pays", "Valeur":"Sous-nutrition"})

# Remplacement de valeurs
sous_nutrition = sous_nutrition.replace("<0.1", 0)

# Conversion de type 
sous_nutrition['Sous-nutrition'] = pd.to_numeric(sous_nutrition['Sous-nutrition'], errors='coerce')


dispo.head()


# On renomme la colonne
dispo = dispo.rename(columns={"Zone": "Pays"})

# Remplace des NaN par 0
dispo.fillna(0, inplace=True)


aide.head()


aide = aide.rename(columns={"Pays bénéficiaire": "Pays", "Valeur":"Aide"})


# On somme les populations sous-nutries dans chaque pays pour l'année 2017, on obtient ainsi la population sous-nutrie mondiale
mask = sous_nutrition['Année'] == "2016-2018"
pop_sousnutri_2017 = sous_nutrition.loc[mask, 'Sous-nutrition'].sum()

# On somme les populations de chaque pays pour l'année 2017, on obtient ainsi la population mondiale en 2017
mask = population['Année'] == 2017
pop_totale_2017 = population.loc[mask, 'Population'].sum()

# Calcul de la proportion de sous-nutrition en 2017
part_sous_nutrition = (pop_sousnutri_2017/pop_totale_2017)*100
print("Proportion de sous-nutrition:", round(part_sous_nutrition, 1), "%")

autre_population = pop_totale_2017-pop_sousnutri_2017

Proportion de sous-nutrition: 7.1 %


# Création du digramme circulaire
proportion = [autre_population, pop_sousnutri_2017]
labels = 'Autre population', 'Population sous-alimentée'
colors = 'skyblue', 'lightcoral'
plt.title("Proportion de personnes en état de sous-nutition en 2017", fontsize=18)
plt.pie(proportion, labels = labels, autopct = '%1.1f%%', colors = colors, startangle = 90)
plt.show()


# Sélection des populations de chaque pays pour l'année 2017
mask = population['Année']==2017
population = population.loc[mask]

# On garde que les colonnes nécessaires concernant la disponibilité
dispo_pays = dispo[['Pays', 'Disponibilité alimentaire (Kcal/personne/jour)']]

# On groupe selon les pays et on calcul la somme de leurs disponibilités alimentaires
dispo_pays = dispo_pays.groupby(['Pays']).sum().reset_index()

# On joint les DataFrames dispo_pays et population
dispo_pop = pd.merge(dispo_pays, population)

# Ajout d'une colonne dispo_total qui donne les Kcal disponibles pour un pays et par jour
# On multiplie la colonne 'Population' par 1 million pour avoir la population en nombre d'habitant
dispo_pop['dispo_total'] = (dispo_pop['Disponibilité alimentaire (Kcal/personne/jour)'] * (dispo_pop['Population']*1000000))
dispo_pop.head()


# Somme des Kcal disponibles par jour dans chaque pays
dispo_monde_jour = dispo_pop['dispo_total'].sum()
print("Il y a", dispo_monde_jour, "Kcal disponibles par jour dans le monde.")

# Calcule du nombre de personnes pouvant être nourries avec le nombre de Kcal disponibles par jour au niveau mondial
personnes_nourries = dispo_monde_jour/2500 #2500 correspond au besoin énergétique moyen (en Kcal) pour un homme dans une journée
print("Nombre de personnes pouvant être nourries:", round(personnes_nourries, 0))

# Calcul de la proportion de personnes pouvant être nourries.
proportion_nourries = ((personnes_nourries/1000000)/pop_totale_2017)*100
print("Proportion:", round(proportion_nourries, 1), "%")

Il y a 20918984627331.0 Kcal disponibles par jour dans le monde.
Nombre de personnes pouvant être nourries: 8367593851.0
Proportion: 110.9 %


# On selectionne seulement les lignes qui ont la valeur 'vegetale' dans la colonne 'Origine'
mask = dispo['Origine'].str.contains('vegetale')
dispo_vegetale = dispo.loc[mask]

# Puis on répète les mêmes opérations que précedement
dispo_vegetale = dispo_vegetale[['Pays', 'Disponibilité alimentaire (Kcal/personne/jour)']]
dispo_vegetale = dispo_vegetale.groupby(['Pays']).sum().reset_index()

dispo_pop2 = pd.merge(dispo_vegetale, population)
dispo_pop2['dispo_total'] = (dispo_pop2['Disponibilité alimentaire (Kcal/personne/jour)'] * (dispo_pop2['Population']*1000000))

dispo_monde_jour_vegetale = dispo_pop2['dispo_total'].sum()
print("Il y a", dispo_monde_jour_vegetale, "Kcal disponibles par jour dans le monde.")

personnes_nourries_vegetale = dispo_monde_jour_vegetale/2500
print("Nombre de personnes pouvant être nourries:", round(personnes_nourries_vegetale, 0))

proportion_vegetale = ((personnes_nourries_vegetale/1000000)/pop_totale_2017)*100
print("Proportion:", round(proportion_vegetale, 1), "%")

Il y a 17260764211501.0 Kcal disponibles par jour dans le monde.
Nombre de personnes pouvant être nourries: 6904305685.0
Proportion: 91.5 %


dispo_inter = dispo

# On ajoute une colonne dans le DataFrame dispo_inter, qui calcule la disponibilité intérieure d'après la formule choisie
dispo_inter['disponibilité intérieure calculée'] = dispo_inter['Nourriture'] + dispo_inter['Aliments pour animaux'] + dispo_inter['Semences'] + dispo_inter['Traitement'] + dispo_inter['Autres Utilisations'] + dispo_inter['Pertes']

# On ajoute une ligne 'total' qui donne le total de chaque colonne contenant des nombres
dispo_inter.loc['total'] = dispo_inter.select_dtypes(np.number).sum()
dispo_inter


# Calcul de la part alimentation animale
part_ali_animale = (dispo_inter.loc['total', 'Aliments pour animaux']/dispo_inter.loc['total', 'disponibilité intérieure calculée'])*100
print(round(part_ali_animale, 1), "% du total est attribuée à l'alimentation animale.")

# Calcul de la part alimentation humaine
part_ali_humaine = (dispo_inter.loc['total', 'Nourriture']/dispo_inter.loc['total', 'disponibilité intérieure calculée'])*100
print(round(part_ali_humaine, 1), "% du total est attribuée à l'alimentation humaine.")

# Calcul de la part perte
part_perte = (dispo_inter.loc['total', 'Pertes']/dispo_inter.loc['total', 'disponibilité intérieure calculée'])*100
print(round(part_perte, 1), "% du total est attribuée aux pertes.")

# Calcul de la part autres utilisations
autre = dispo_inter.loc['total', 'Autres Utilisations']+dispo_inter.loc['total', 'Semences']+dispo_inter.loc['total', 'Traitement']
part_autres_utilisations = (autre/dispo_inter.loc['total', 'disponibilité intérieure calculée'])*100
print(round(part_autres_utilisations, 1), "% du total est attribuée à d'autres utilisations.")

13.2 % du total est attribuée à l'alimentation animale.
49.5 % du total est attribuée à l'alimentation humaine.
4.6 % du total est attribuée aux pertes.
32.7 % du total est attribuée à d'autres utilisations.


# Création du diagramme circulaire
liste = [part_ali_animale, part_ali_humaine, part_perte, part_autres_utilisations]
labels = 'Alimentation animale', 'Alimentation humaine', 'Pertes', 'Autre (Semences, Traitement, Autres utilisations)'
colors = 'yellowgreen', 'skyblue', 'tomato', 'silver'
plt.title("Utilisation de la disponibilité intérieure", fontsize=18)
plt.pie(liste, labels = labels, autopct = '%1.1f%%', colors = colors, startangle = 90)
plt.show()


liste_cereales = ['Céréales, Autres', 'Avoine', 'Blé', 'Maïs', 'Millet', 'Orge', 'Riz (Eq Blanchi)', 'Seigle', 'Sorgho']
liste_pays_sous_dev = ['Angola', 'Bénin', 'Burkina Faso', 'Burundi', 'Comores', 'Djibouti', 'Érythrée', 'Éthiopie', 'Gambie', 'Guinée',  'Guinée-Bissau','Lesotho', 'Libéria', 'Madagascar', 'Malawi', 'Mali', 'Mauritanie', 'Mozambique', 'Niger', 'Ouganda',  'République centrafricaine', 'Congo', 'Rwanda', 'Sao Tomé-et-Principe', 'Sénégal', 'Sierra Leone', 'Somalie', 'Soudan', 'Soudan du Sud', 'République-Unie de Tanzanie', 'Tchad', 'Togo', 'Zambie', 'Afghanistan', 'Bangladesh', 'Bhoutan', 'Cambodge', 'République démocratique populaire lao', 'Birmanie', 'Népal', 'Timor-Leste', 'Yémen', 'Haïti',  'Kiribati', 'Îles Salomon', 'Tuvalu']
liste_pays_dev = ["États-Unis d'Amérique", 'Canada', 'Singapour', 'Chine - RAS de Hong-Kong', 'Chine, continentale', 'Japon', 'République de Corée', 'Israël', 'Chine, Taiwan Province de',  'Norvège', 'Suisse', 'Allemagne', 'Danemark', 'Pays-Bas', 'Irlande', 'Finlande', 'Suède', 'Liechtenstein', 'Royaume-Uni', 'Luxembourg', 'France',  'Belgique',  'Autriche',  'Slovénie', 'Italie',  'Espagne', 'Tchéquie (la)', 'Grèce',  'Estonie', 'Andorre', 'Chypre', 'Malte', 'Slovaquie', 'Portugal', 'Australie', 'Nouvelle-Zélande']

tous_pays = dispo[dispo["Produit"].isin(liste_cereales)]
pays_sous_dev = dispo[(dispo["Produit"].isin(liste_cereales))&(dispo["Pays"].isin(liste_pays_sous_dev))]
pays_dev = dispo[(dispo["Produit"].isin(liste_cereales))&(dispo["Pays"].isin(liste_pays_dev))]


print("Tous les pays:")
# Calcul des différentes parts pour TOUS LES PAYS
part_animale_tous = (tous_pays['Aliments pour animaux'].sum()/tous_pays['Disponibilité intérieure'].sum())*100
print(round(part_animale_tous, 0), "% de la disponibilité en céréale est utilisé dans l'alimentation animale")

part_humaine_tous = (tous_pays['Nourriture'].sum()/tous_pays['Disponibilité intérieure'].sum())*100
print(round(part_humaine_tous, 0), "% de la disponibilité en céréale est utilisé dans l'alimentation humaine.")

autre_tous = 100-(part_animale_tous + part_humaine_tous)
print(round(autre_tous, 0), "% de la disponibilité en céréale est utilisé pour autre chose.")

print("Pays sous-développés:")
# Calcul des différentes parts pour les PAYS SOUS DEVELOPPES
part_animale_sous = (pays_sous_dev['Aliments pour animaux'].sum()/pays_sous_dev['Disponibilité intérieure'].sum())*100
print(round(part_animale_sous, 0), "% de la disponibilité en céréale est utilisé dans l'alimentation animale")

part_humaine_sous = (pays_sous_dev['Nourriture'].sum()/pays_sous_dev['Disponibilité intérieure'].sum())*100
print(round(part_humaine_sous, 0), "% de la disponibilité en céréale est utilisé dans l'alimentation humaine.")

autre_sous = 100-(part_animale_sous + part_humaine_sous)
print(round(autre_sous, 0), "% de la disponibilité en céréale est utilisé pour autre chose.")

print("Pays développés:")
# Calcul des différentes parts pour les PAYS DEVELOPPES
part_animale_dev = (pays_dev['Aliments pour animaux'].sum()/pays_dev['Disponibilité intérieure'].sum())*100
print(round(part_animale_dev, 0), "% de la disponibilité en céréale est utilisé dans l'alimentation animale")

part_humaine_dev = (pays_dev['Nourriture'].sum()/pays_dev['Disponibilité intérieure'].sum())*100
print(round(part_humaine_dev, 0), "% de la disponibilité en céréale est utilisé dans l'alimentation humaine.")

autre_dev = 100-(part_animale_dev + part_humaine_dev)
print(round(autre_dev, 0), "% de la disponibilité en céréale est utilisé pour autre chose.")

Tous les pays:
36.0 % de la disponibilité en céréale est utilisé dans l'alimentation animale
43.0 % de la disponibilité en céréale est utilisé dans l'alimentation humaine.
21.0 % de la disponibilité en céréale est utilisé pour autre chose.
Pays sous-développés:
8.0 % de la disponibilité en céréale est utilisé dans l'alimentation animale
72.0 % de la disponibilité en céréale est utilisé dans l'alimentation humaine.
20.0 % de la disponibilité en céréale est utilisé pour autre chose.
Pays développés:
46.0 % de la disponibilité en céréale est utilisé dans l'alimentation animale
28.0 % de la disponibilité en céréale est utilisé dans l'alimentation humaine.
26.0 % de la disponibilité en céréale est utilisé pour autre chose.


# Création d'un DataFrame avec les résultats sur l'utilisation des céréales
val = np.array([[part_animale_tous, part_humaine_tous, autre_tous], 
                [part_animale_sous, part_humaine_sous, autre_sous],
                [part_animale_dev, part_humaine_dev, autre_dev]])
df_cereales = pd.DataFrame(val, index = ['Tous les pays', 'Pays sous-développés', 'Pays développés'], 
                  columns = ['Alimentation animale', 'Alimentation humaine', 'Autre'])

# Création d'un diagramme
df_cereales.plot(kind = 'bar')
plt.title("Utilisation des céréales", fontsize=18)
plt.xlabel("Catégorie de pays", fontsize=13)
plt.ylabel("Quantité de céréale (%)", fontsize=13)
plt.xticks(rotation=0)
plt.show()


# Sélection des données relatives au manioc en Thaïlande
mask = dispo['Pays'].str.contains('Thaïlande') & dispo['Produit'].str.contains('Manioc')
manioc_thailande = dispo.loc[mask]
manioc_thailande = manioc_thailande[['Pays', 'Produit', 'Disponibilité intérieure', 'Exportations - Quantité', 'Importations - Quantité', 'Production']] 

# Part de la production de manioc exporté par la Thaïlande en 2017
part_export = (manioc_thailande.iloc[0]['Exportations - Quantité']/manioc_thailande.iloc[0]['Production'])*100
print('La Thaïlande exporte', round(part_export, 1),'% de sa production de manioc.')

#Part de sous-nutrition
mask2 = population['Année']==2017
population2 = population.loc[mask2]

mask3 = sous_nutrition['Année'] == '2016-2018'
sous_nutrition2 = sous_nutrition.loc[mask3]
sous_nutrition2 = sous_nutrition2.drop(columns = "Année")

# On joint les DataFrame et on sélectionne la ligne correspondant à la Thaïlande
dispo_population = pd.merge(population2, sous_nutrition2, on = 'Pays')
dispo_population_thailande = dispo_population[dispo_population['Pays'] == 'Thaïlande']

# Calcul de la part de la population en état de sous-nutrition
part_sous_nutrition = (dispo_population_thailande.iloc[0]['Sous-nutrition']/dispo_population_thailande.iloc[0]['Population'])*100
print('En Thaïlande,', round(part_sous_nutrition, 2), '% de la population est en état de sous-nutrition.')

La Thaïlande exporte 83.4 % de sa production de manioc.
En Thaïlande, 8.96 % de la population est en état de sous-nutrition.


# On récupère le dataframe dispo_population utilisé précédement et on y ajoute une colonne 'Proportion'
dispo_population['Proportion'] = (dispo_population['Sous-nutrition']/dispo_population['Population'])*100


# Importation d'un fichier avec le code d'identification des pays
code_iso = pd.read_csv("C:/Users/jorda/Data_P4/code_iso.csv", sep = ';')


# On joint le DataFrame des codes pays avec le DataFrame dispo_population
sous_nutrition_map = pd.merge(code_iso, dispo_population, left_on = 'Pays_code', right_on = 'Pays')
sous_nutrition_map.head()


# On crée la carte qui indique la proportion de sous-nutrition par pays en 2017
figure = px.choropleth(sous_nutrition_map, locations="Code_iso3",
                        color="Proportion",hover_name="Pays",
                        color_continuous_scale="Reds",
                        labels={"Proportion":"Proportion de personnes sous-nutries (%)"},
                        )
figure.layout.update(title="Proportion de sous-nutrition par pays en 2017", height=500)

figure.show()


# On classe selon l'ordre décroissant des valeurs de la colonne 'Proportion' et on sélectionne les 10 premières lignes
pop_sous_ali_dix = dispo_population.sort_values(by = 'Proportion', ascending = False)
pop_sous_ali_dix = pop_sous_ali_dix.iloc[:10]


# Création de l'histogramme
pays = pop_sous_ali_dix.Pays
proportion = pop_sous_ali_dix.Proportion

plt.barh(pays, proportion, color = 'firebrick')
plt.title("Les 10 pays les plus touchés par la sous-nutrition", fontsize=18)
plt.xlabel("Proportion sous-nutrition (%)")
plt.ylabel("Pays")
plt.show()


# Sélection des colonnes 'Pays' et 'Valeur' 
aide_alimentaire = aide[['Pays', 'Aide']]

# Somme des aides perçues par pays
aide_alimentaire = aide_alimentaire.groupby(['Pays']).sum().reset_index()

# Affichage selon l'ordre décroissant de l'aide perçue et sélection des 10 premiers
aide_alimentaire = aide_alimentaire.sort_values(by = 'Aide', ascending = False)
aide_alimentaire = aide_alimentaire.iloc[:10]


# Création de l'histogramme
a = aide_alimentaire.Pays
b = aide_alimentaire.Aide

plt.barh(a, b)
plt.title("Pays qui ont le plus bénéficié d'aide depuis 2013", fontsize=18)
plt.xlabel("Aide alimentaire (millions de tonnes)")
plt.ylabel("Pays")
plt.show()


# On joint le DataFrame des codes pays avec le DataFrame qui donne la disponibilité alimentaire par pays
disponibilite_map = pd.merge(code_iso, dispo_pays, left_on = 'Pays_code', right_on = 'Pays')
disponibilite_map.head()


# Création de la carte indiquant la disponibilité alimentaire par pays en 2017
figure = px.choropleth(disponibilite_map, locations="Code_iso3",
                        color="Disponibilité alimentaire (Kcal/personne/jour)",hover_name="Pays",
                        color_continuous_scale="RdYlGn",
                        labels={"Disponibilité alimentaire (Kcal/personne/jour)":"Disponibilité alimentaire (Kcal/personne/jour)"},
                        )
figure.layout.update(title="Disponibilité alimentaire par pays en 2017", height=500)

figure.show()


# Changement de nom d'une colonne
disponibilite_ali = dispo_pays.rename(columns = {'Disponibilité alimentaire (Kcal/personne/jour)': 'nombre_kcal'})

# On trie dans l'ordre croissant et on prends les 10 premiers
disponibilite_ali_moins = disponibilite_ali.sort_values(by = 'nombre_kcal', ascending = True)
disponibilite_ali_moins = disponibilite_ali_moins.iloc[:10]

# On trie dans l'ordre décroissant et on prends les 10 premiers
disponibilite_ali_plus = disponibilite_ali.sort_values(by = 'nombre_kcal', ascending = False)
disponibilite_ali_plus = disponibilite_ali_plus.iloc[:10]


# Création de l'histogramme représentant les pays ayant le plus et le moins de disponibilité alimentaire en 2017
X1 = disponibilite_ali_moins.Pays
X2 = disponibilite_ali_plus.Pays
y1 = disponibilite_ali_moins.nombre_kcal
y2 = disponibilite_ali_plus.nombre_kcal
  
plt.barh(X1, y1, color='firebrick', label='Le moins') 
plt.barh(X2, y2, color='g', label='Le plus') 

plt.xlabel("Disponibilité alimentaire (Kcal/personne/jour)") 
plt.ylabel("Pays") 
plt.title("Pays ayant le plus et le moins de disponibilité alimentaire par habitant en 2017", fontsize=18) 
plt.legend()  
plt.show()

	Pays	Disponibilité alimentaire (Kcal/personne/jour)	Année	Population	dispo_total
0	Afghanistan	2087.0	2017	36.296113	7.574999e+10
1	Afrique du Sud	3020.0	2017	57.009756	1.721695e+11
2	Albanie	3188.0	2017	2.884169	9.194731e+09
3	Algérie	3293.0	2017	41.389189	1.362946e+11
4	Allemagne	3503.0	2017	82.658409	2.895524e+11

	Code_iso3	Pays_code	Pays	Disponibilité alimentaire (Kcal/personne/jour)
0	AFG	Afghanistan	Afghanistan	2087.0
1	ALB	Albanie	Albanie	3188.0
2	DZA	Algérie	Algérie	3293.0
3	AGO	Angola	Angola	2474.0
4	ATG	Antigua-et-Barbuda	Antigua-et-Barbuda	2416.0

Étude de santé publique¶

Étude sur la sous-nutrition dans le monde en 2017¶

Mise en situation¶

Données brutes¶

Étapes¶

Compétences¶

Sommaire¶

Étapes préliminaires ¶

Importation des librairies ¶

Importation des données ¶

Nettoyage des données ¶

Analyse des données et interprétation des résultats ¶

Proportion de personnes en état de sous-nutrition en 2017 ¶

Nombre théorique de personnes qui pourraient être nourries ¶

Nombre théorique de personnes qui pourraient être nourries seulement avec des produits d'origine végétale ¶

Utilisation de la disponibilité intérieure ¶

Utilisation des céréales, répartition entre alimentation humaine et animale ¶

Utilisation du manioc par la Thaïlande aux égards de la proportion de personnes en sous-nutrition ¶

Pays avec la proportion de sous-nutrition la plus élevée en 2017 ¶

Création d'une carte pour représenter les données.¶

Les 10 pays avec la plus grande proportion de sous-nutrition¶

Les pays qui ont le plus bénéficié d'aide depuis 2013 ¶

Pays ayant le plus et le moins de disponibilité alimentaire par habitant en 2017 ¶

Création d'une carte pour représenter les données¶

Les 10 pays avec le plus de disponibilité et les 10 pays avec le moins¶

	Zone	Année	Valeur
0	Afghanistan	2013	32269.589
1	Afghanistan	2014	33370.794
2	Afghanistan	2015	34413.603
3	Afghanistan	2016	35383.032
4	Afghanistan	2017	36296.113

	Zone	Année	Valeur
0	Afghanistan	2012-2014	8.6
1	Afghanistan	2013-2015	8.8
2	Afghanistan	2014-2016	8.9
3	Afghanistan	2015-2017	9.7
4	Afghanistan	2016-2018	10.5

	Zone	Produit	Origine	Aliments pour animaux	Autres Utilisations	Disponibilité alimentaire (Kcal/personne/jour)	Disponibilité alimentaire en quantité (kg/personne/an)	Disponibilité de matière grasse en quantité (g/personne/jour)	Disponibilité de protéines en quantité (g/personne/jour)	Disponibilité intérieure	Exportations - Quantité	Importations - Quantité	Nourriture	Pertes	Production	Semences	Traitement	Variation de stock
0	Afghanistan	Abats Comestible	animale	NaN	NaN	5.0	1.72	0.20	0.77	53.0	NaN	NaN	53.0	NaN	53.0	NaN	NaN	NaN
1	Afghanistan	Agrumes, Autres	vegetale	NaN	NaN	1.0	1.29	0.01	0.02	41.0	2.0	40.0	39.0	2.0	3.0	NaN	NaN	NaN
2	Afghanistan	Aliments pour enfants	vegetale	NaN	NaN	1.0	0.06	0.01	0.03	2.0	NaN	2.0	2.0	NaN	NaN	NaN	NaN	NaN
3	Afghanistan	Ananas	vegetale	NaN	NaN	0.0	0.00	NaN	NaN	0.0	NaN	0.0	0.0	NaN	NaN	NaN	NaN	NaN
4	Afghanistan	Bananes	vegetale	NaN	NaN	4.0	2.70	0.02	0.05	82.0	NaN	82.0	82.0	NaN	NaN	NaN	NaN	NaN

	Pays bénéficiaire	Année	Produit	Valeur
0	Afghanistan	2013	Autres non-céréales	682
1	Afghanistan	2014	Autres non-céréales	335
2	Afghanistan	2013	Blé et Farin	39224
3	Afghanistan	2014	Blé et Farin	15160
4	Afghanistan	2013	Céréales	40504